中金 | 量化配置模型系列（2）：基於統計跳躍的系統性風險預警模型

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

基於統計跳躍的系統性風險預警模型可以有效降低資產配置組合的回撤

本報告借鑑Shu et al. (2024)的統計跳躍模型，構建了一套基於單資產預警信號的組合系統性風險指標，在不依賴資產間相關性建模的前提下，實現了對多資產模型的回撤控制，並提升了風險調整后收益。基於股-債-金的八個細分資產的資產池，我們構建了三個基準模型，並在其基礎上用系統性風險預警指標進行避險，最終三資產風險平價最大回撤由-7.07%降至-3.23%，八資產風險平價最大回撤由-5.42%降至-2.99%，八資產均值-方差模型最大回撤由-35.18%降至-21.96%。

系統性風險預警模型構建方法

該模型僅利用單資產的日度行情數據，構建DD_10、Sortino_20、Sortino_60的三維特徵，通過動態規劃方法交替迭代三維特徵的質心及資產的狀態路徑，得到使得目標函數值最小的資產狀態，從而識別出具有高持續性的資產多空信號。

信號合成層面，我們設置了複合信號與增強信號兩套機制：複合信號為當兩個及以上大類資產觸發看空時組合降倉50%，三個大類資產觸發時降倉80%，且強制避險持續至少60個交易日；增強信號則在複合信號的基礎上，必須同步觸發債券資產看空才確認系統性風險。實證顯示，增強信號在大幅降低預警天數的同時保持了同等甚至更好的避險效果，提升了信號精確性。

單資產信號在60個交易日時間窗口有效性較強

發出看空信號后60個交易日，資產的正超額收益比例普遍低於40%，且平均超額收益普遍為負值；而發出看多信號后的正超額收益比例達60%-70%，且平均超額收益均為正，驗證了單資產信號具有持續性和預測性。

預警信號降低迴撤效果明顯

回測結果表明，預警體系對三類基準模型均有增強效果。增強信號使三資產風險平價模型在2013年的最大回撤由-7.07%降至-1.24%，八資產風險平價模型在2015年的最大回撤由-5.42%降至-2.58%；對於八資產均值-方差模型，增強信號在2015年策略淨值進入階段性最高點前進入避險狀態，因此成功規避了13%的回撤。

預警信號能夠提升風險調整后收益

分年度統計顯示，避險模型在基準表現不佳年份可以提升絕對收益。增強信號使三個模型2013年的年化收益均有較為明顯的提升，其中三資產風險平價模型從-5.70%提升至-0.06%，八資產風險平價模型從-2.34%提升至1.78%，八資產均值-方差模型則從-2.85%提升至1.58%。

增強信號能夠提升模型的風險調整后收益，三資產風險平價模型的卡瑪比率由0.77提升至1.59，八資產風險平價模型由0.98提升至1.71，八資產均值-方差模型則由0.17提升至0.31。

風險提示

基於單資產跳躍信號的組合系統性風險指標

系統性風險建模方法

Shu et al. (2024) 提出了一種基於統計跳躍模型的狀態轉換策略（Statistical Jump Model, JM）：通過動態規劃+座標下降的方法，從基於超額收益的DD_10、Sortino_20、Sortino_60三維特徵中識別具有高持續性的牛熊狀態。處在Bull regime時全倉持有股票指數，Bear regime時全部轉入無風險資產，從而在S&P500、DAX和Nikkei225上實現比HMM和買入持有更低的波動與回撤、以及更高的風險調整后收益。

在本篇報告中，我們參考Shu et al. (2024) 的做法，構建了基於單資產JM信號的多資產組合系統性風險指標，由此構建的策略在不同的股/債/金配置策略基準上均具有較強的回撤控制能力和風險調整后收益能力。

圖表1：系統性風險建模方法

資料來源：中金公司研究部

單資產信號的生成

單資產JM模型可以理解為是一個類似無監督學習的隱狀態序列推斷模型，其核心假設是資產的狀態可以分為兩種，資產的三維特徵在兩種狀態下分別圍繞兩個不同的質心變化，在狀態推斷的過程中，需要對質心和資產狀態的時序路徑進行交替迭代，得到與質心距離最短的狀態路徑，並根據訓練期兩種狀態的累計收益大小判斷哪種是看多、哪種是看空。

圖表2：單資產信號生成流程圖

資料來源：中金公司研究部

我們每60個交易日重估資產的兩個質心向量

，對於權益類和黃金類設為50，債券類設為25。具體的信號構建方法如下：

，每個交易日對過去1000個交易日的滾動窗口做動態規劃，獲得使損失函數最小的當日資產狀態。其中，我們參考論文設置跳躍懲罰參數

第二步，對每個資產的超額收益序列，計算三維特徵值向量 ：

第三步，對訓練窗口內的三維特徵做Z-Score標準化；

第四步，進行三次隨機初始質心的動態規劃，保留目標函數值最低的解：

► 首先，目標函數如下：

► 其次，求解過程為如下兩個步驟的交替迭代：

最終，即可同時得到兩種狀態的質心和過去1000個交易日的多/空狀態序列。這個模型的優勢有四點：

第一，其假設簡潔有力，不需要任何外部標籤，能夠自適應資產特性，具有較強的外推能力；

第二，模型的損失函數設置了對狀態切換的懲罰，使得訓練出的信號不只是對歷史狀態的刻畫，而且具有延續性和預測性；

第三，能夠用簡單的動態規劃方法實現，時間複雜度較低，也沒有較高的算力需求；

第四，全程只用到資產的日度行情數據，是一個輕量級的模型。

多資產組合信號的合成方法

我們將八個底層資產分為三個大類資產，其中權益資產包括滬深300、中證1000、中證紅利全收益、中證轉債及可交換債，債券資產包括中債-國債總財富（1-3年）、中債-國債總財富（7-10年）、中債-商業銀行債券財富（總值），黃金資產包括SGE黃金9999，這八個指數資產均有跟蹤的ETF產品。

圖表3：多資產組合信號的合成方法

資料來源：中金公司研究部

我們設置了兩種不同的信號複合方法。八資產複合信號為：大於等於兩個大類資產觸發看空信號時，資產組合觸發看空信號；增強信號在複合信號的基礎上，加入強制債券資產觸發看空才觸發的條件，這一條件是基於債券作為蓄水池和避險資產的特性而設置的，我們認為債券資產與風險資產同步進入下行通道是確認系統性風險上升的重要條件。在后續的實證結果中，我們也可以看到，加入債券確認條件可以在大幅降低預警天數的情況下保持同等的避險效果。

同時，我們在由信號生成持倉的過程中，有兩個特殊的設置。第一，每次觸發資產組合看空信號時，強制避險天數必須持續至少60個交易日[1]；第二，兩個大類資產觸發看空信號時，組合降倉比例為50%並轉而持有貨幣基金，三個大類資產觸發看空信號時，組合降倉比例為80%並轉而持有貨幣基金。

回測方法

首先，對應不同的投資需求，我們設置了三個基準模型：三資產風險平價模型、八資產風險平價模型、和八資產均值-方差模型。其中，我們簡單選取了滬深300、中債-國債總財富（1-3年）、和SGE黃金9999，分別作為股、債、金三個大類資產的代理，構成了三資產風險平價模型。

在這三個模型中，八資產風險平價表現最為穩健，其次是三資產風險平價模型，而八資產均值-方差模型則較為激進，有較大的波動和回撤。我們在此列示均值-方差模型，是爲了更直觀地展示覆合信號規避組合大幅回撤的能力、以及泛用在不同資產配置模型上的能力。后續我們將在這三個基準模型的基礎上，分別使用複合信號和增強信號的複合信號指導組合避險。

其次，我們的回測參數設置如下：

► 調倉頻率：基準模型的調倉頻率為月度，預警指標監控的頻率為日度，即：在月內如果觸發了預警，則以信號產生后下一個交易日的收盤價進行降倉操作，預警信號解除的處理與觸發同理。

► 手續費：單邊千分之一

► 底層資產：權益資產包括滬深300、中證1000、中證紅利全收益、中證轉債及可交換債，債券資產包括中債-國債總財富（1-3年）、中債-國債總財富（7-10年）、中債-商業銀行債券財富（總值），黃金資產包括SGE黃金9999

► 由於模型的主要參數每60個交易日滾動訓練一次，所以沒有對回測期進行樣本內外的區分。

回測結果

單資產信號效果

組合層面信號的有效性是依賴於底層單資產信號的有效性，因此我們將自下而上地逐步分析信號的實際效果。下文所提到的超額收益指資產相對貨幣基金的超額收益。

首先，對單資產發出看空和看多信號后的1到20個交易日，資產發出看空信號后的正超額比例系統性低於看多信號，説明信號有一定的有效性。當時間窗口拉長到60個交易日，兩種信號發出后的超額收益勝率進一步分化，看空信號正超額比例普遍在40%以下，而看多信號則在60%-70%，進一步印證了信號的有效性和延續性。

圖表4：發出信號后單資產正超額收益比例 (1)

注：數據截至2026-05-27

資料來源：WIND，中金公司研究部  

圖表5：發出信號后單資產正超額收益比例 (2)

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

我們對於兩種信號發出后的平均超額收益的統計結果也印證了上述結論。在發出信號后的60個交易日內，各資產都出現了發出看多信號后的平均超額收益大於看空信號的現象，且絕大多數資產在發出看空信號后60個交易日的平均超額收益為負值。

其中值得關注的是，對於中證紅利全收益指數來説，看空和看多信號發出后的超額收益勝率分化並不顯著，甚至在某些時間窗口還出現倒掛的情況。其原因可能是紅利資產本身相對高彈性資產來説更穩健。同時，其60交易日平均超額收益也出現了明顯分化，所以我們認為，單資產信號在中證紅利全收益指數上也是有效的，只是有效性會相對弱於其他資產。

圖表6：發出信號后單資產平均超額收益 (1)

注：數據截至2026-05-27

資料來源：WIND，中金公司研究部  

圖表7：發出信號后單資產平均超額收益 (2)

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

三資產風險平價回測結果

複合信號與增強信號對三資產風險平價模型均有增強作用。加入兩種信號后，模型的最大回撤由-7.07%大幅下降至-3.23%和-3.37%，風險調整后收益也有較為顯著的提升，但對模型絕對收益有輕微的拖累。

圖表8：三資產風險平價模型表現

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

複合信號與增強信號能夠有效規避模型的深度回撤。三資產風險平價基準模型的最大回撤發生在2013年12月20日，在此之前，複合信號與增強信號在2013年6月27日均由三個大類資產同時發出了避險信號，恰好規避了基準模型的深度回撤，將此次回撤由-7.07%降至-1.20%。

圖表9：三資產風險平價-複合信號回撤表現

注：數據截至2026-05-27

資料來源：中金公司研究部   

圖表10：三資產風險平價-增強信號回撤表現

注：數據截至2026-05-27資料來源：中金公司研究部

從分年度統計來看，複合信號與增強信號在2013年和2015年有效降低了模型回撤，分別由-7.07%和-4.09%下降至-1.24%和-1.72%。複合信號與增強信號策略在基準模型表現不好的年份能夠提升收益，但在基準模型表現強的年份，兩個避險模型的絕對收益會偏弱。在回撤方面，兩個避險模型的分年度最大回撤系統性低於基準模型，呈現出較強的風險控制能力。

圖表11：三資產風險平價模型分年度統計

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

八資產風險平價回測結果

複合信號與增強信號使模型回撤由-5.42%降至-2.99%。相較於三資產，八資產風險平價模型整體收益稍低，夏普更高，最大回撤更低。而複合信號與增強信號雖然都對組合絕對收益產生了輕微的侵蝕，但同樣實現了更高的風險調整后收益和更低的回撤，對於較為保守的投資者有一定的參考價值。

圖表12：八資產風險平價模型表現

注：數據截至2026-05-27資料來源：中金公司研究部

與三資產風險平價不同，八資產風險平價基準模型的最大回撤發生在2015年7月31日，是由2015年6月12日的高點開始的連續下跌所致。而複合信號與增強信號均是在2015年4月29日觸發避險，雖然由於提前32個交易日觸發而錯失了一部分收益，但成功地將這次回撤由-5.42%降至-2.36%。同時，此次增強信號比複合信號更早結束避險，避免了一部分踏空損失。總體來看，增強信號能夠更加精準地觸發和結束避險，在大幅降低避險時間的情況下，能夠保持與複合信號相近的風險和回撤控制能力。

同時，與三資產風險平價類似，八資產風險平價基準下的複合信號與增強信號在基準出現長時間結構性下跌時往往能夠成功規避大部分風險，但對於修復較快的下跌則反應不足。

圖表13：八資產風險平價-複合信號回撤表現

注：數據截至2026-05-27   

資料來源：WIND，中金公司研究部  

圖表14：八資產風險平價-增強信號回撤表現

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

圖表15：八資產風險平價模型分年度統計

注：數據截至2026-05-27資料來源：中金公司研究部

八資產均值-方差回測結果

增強信號提升了0.71%的年化收益，並使最大回撤由-35.18%降至-21.96%。均值-方差基準模型的波動和回撤都比較大，因此避險信號不僅能提高風險調整后收益，也能提升絕對收益。與其他兩個基準模型相同，增強信號在顯著降低避險天數的情況下，能獲得更高的絕對收益，由此證明增強信號精確性更高，在實際投資中有更加重要的意義。

圖表16：八資產均值-方差模型表現

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

複合信號和增強信號對急跌區間均有提前反應。在2015年出現明顯回撤期間，兩組信號在基準達到最高點前同步觸發了避險，較大程度規避了下跌。同時，增強信號在基準出現明顯反彈前就結束了避險，因此也避免了踏空損失，體現出其精準避險的能力。

圖表17：八資產均值方差-複合信號淨值表現

注：數據截至2026-05-27   

資料來源：WIND，中金公司研究部  

圖表18：八資產均值方差-增強信號淨值表現

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

增強信號模型的收益在大多數年份跑贏基準。在基準表現較差的年份，複合信號對絕對收益的提升效果比增強信號更好，但基準表現好時複合信號模型表現不如增強信號。主要原因是複合信號觸發頻率高，應用在波動率大的模型上時，能夠更好地規避下跌，同時在上行區間會過於保守。

圖表19：八資產均值-方差模型分年度統計

注：數據截至2026-05-27資料來源：WIND，中金公司研究部

總結與展望

本研究借鑑Shu et al. (2024)的統計跳躍模型，構建了一套基於單資產三維特徵（DD_10、Sortino_20、Sortino_60）的系統性風險預警體系。通過動態規劃交替優化特徵質心與狀態路徑，在不依賴資產間相關性建模的前提下識別具有持續性的多空信號；信號合成層面設置了複合與增強雙層機制，后者以債券資產同步看空為確認條件，在減少預警天數的同時保持了同等甚至更優的避險效果。

實證結果顯示，該預警體系對三類基準配置模型均產生了有效的回撤控制與收益增強。最大回撤方面，三資產風險平價由-7.07%降至-3.23%，八資產風險平價由-5.42%降至-2.99%，八資產均值-方差模型由-35.18%改善至-21.96%；風險調整后收益方面，三類模型的卡瑪比率分別由0.77、0.98、0.17提升至1.59、1.71與0.31。在基準策略普遍承壓的2013年，增強信號使三資產風險平價模型、八資產風險平價模型與八資產均值-方差模型的年化收益分別由-5.70%、-2.34%與-2.85%改善至-0.06%、1.78%與1.58%。上述結果驗證了該框架在控制模型複雜度的前提下，能夠有效識別組合尾部風險並全面提升多資產配置的風險收益比。

本文的系統性風險預警模型只用到行情數據、沒有複雜的分佈假設、也不需要資產間相關性的判斷，具有較強的穩健性，以及在不同資產組合及基準模型上外推的能力。同樣地，模型也可以運用在單資產擇時領域，作為擇時指標體系的補充，后續我們也會進一步對模型在其他領域的應用展開研究。

[1]強制持續至少60個交易日的原因是，單資產多空信號在觸發后的60個交易日中的表現分化最為明顯，説明信號在60日時間窗口的有效性最強。相關統計結果在本文后續部分有詳細的展示。

本文摘自：2026年6月22日已經發布的《量化配置模型（2）：基於統計跳躍的系統性風險預警模型》

陳宜筠，CFA 分析員 SAC 執證編號：S0080524080004； SFC CE Ref：BTZ190

曹宇涵 聯繫人 SAC 執證編號：S0080125050006

周蕭瀟 分析員 SAC 執證編號：S0080521010006； SFC CE Ref：BRA090

劉均偉 分析員 SAC 執證編號：S0080520120002； SFC CE Ref：BQR365